相关实验视频
Updated: May 31, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.5K
深度学习模型的外部验证用于分类视网膜出血的病因,使用多种 fundus 摄影数据集
Pooya Khosravi1,2, Nolan A Huck1, Kourosh Shahraki1
1Department of Ophthalmology, School of Medicine, University of California, Irvine, CA 92697, USA.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
深度学习模型准确地区分创伤性与医学视网膜出血 (RH). 外部验证证实了它们在眼科中提供可靠临床诊断的潜力.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 视网膜出血 (RH) 呈现出不同的病因,需要精确的分类,以有效的患者管理.
- 在适当的临床干预中,准确地区分创伤性和医学原因的RH至关重要.
- 深度学习 (DL) 模型在医学图像分析中表现有前途,但需要严格的外部验证.
研究的目的:
- 为了外部验证两个深度学习模型,FastVit_SA12和ResNet18,用于区分创伤和医学视网膜出血.
- 评估这些模型在多种多中心的基底摄影数据集上的表现.
- 使用Grad-CAM分析调查模型预测的可解释性.
主要方法:
- 编制包括私人和公共基金图像集合 (RFMiD,BRSET,DeepEyeNet) 在内的综合数据集.
- 在共2661张视网膜图像上对FastVit_SA12和ResNet18模型进行外部验证.
- 使用准确性,精度和回忆指标进行性能评估,并使用Grad-CAM进行可视化.
主要成果:
- FastVit_SA12实现了96.99%的准确性,高精度 (0.9935) 和回忆 (0.9723) 医疗RH.
- ResNet18显示了94.66%的准确度和非常高的精度 (0.9893).
- 格拉德-CAM分析揭示了不同的激活模式:ResNet18专注于全球血管系统,FastVit_SA12关注关键区域;医疗RH显示局部,创伤性RH扩散模式.
结论:
- 无论是FastVit_SA12还是ResNet18模型,都对分类视网膜出血具有很高的灵敏度和特异性.
- 外部验证增强了眼科AI在RH诊断中的可靠性和临床适用性.
- 这些经过验证的DL模型为改善患者护理和管理视网膜出血的结果提供了潜力.
